En poursuivant votre navigation sur ce site, vous acceptez le dépôt de cookies dans votre navigateur. (En savoir plus)
Portail > Offres > Offre UPR3251-JULFRA-002 - Offre de Postdoctorat H/F au LIMSI-CNRS - projet ANR ELEMENT

Offre de Postdoctorat H/F au LIMSI-CNRS - projet ANR ELEMENT

Cette offre est disponible dans les langues suivantes :
Français - Anglais

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler. Les informations de votre profil complètent celles associées à chaque candidature. Afin d’augmenter votre visibilité sur notre Portail Emploi et ainsi permettre aux recruteurs de consulter votre profil candidat, vous avez la possibilité de déposer votre CV dans notre CVThèque en un clic !

Faites connaître cette offre !

Informations générales

Référence : UPR3251-JULFRA-002
Lieu de travail : ORSAY
Date de publication : jeudi 10 septembre 2020
Type de contrat : CDD Scientifique
Durée du contrat : 17 mois
Date d'embauche prévue : 1 novembre 2020
Quotité de travail : Temps complet
Rémunération : entre 2695€ et 3841€ bruts mensuels selon expérience
Niveau d'études souhaité : Doctorat
Expérience souhaitée : 1 à 4 années

Missions

Contexte du Projet ANR ELEMENT
==========================================

Parce que la mémorisation et l'exécution des gestes est difficile pour les utilisateurs, la plupart des approches actuelles de l'interaction basée sur le mouvement considèrent des interfaces intuitives et les vocabulaires gestuels simples. Si ces derniers facilitent l'adoption, ils limitent également pour les utilisateurs la possibilité d'une interaction plus complexe, expressive et véritablement incarnée. Dans le cadre de l'interaction basée sur le mouvement au-delà du paradigme souris-clavier, le projet ANR ELEMENT (Enabling Learnability in Embodied Movement Interaction) propose de mettre l'accent sur la capacité d'apprentissage plutôt que l'intuitivité : les nouveaux paradigmes d'interaction exigent des utilisateurs qu'ils développent des compétences sensorimotrices spécifiques compatibles avec - et transférables entre - les interfaces numériques (systèmes vidéo, mobiles, internet des objets, interfaces de jeu, etc.). Avec des interactions “apprenables”, les utilisateurs novices devraient être capables d'aborder un nouveau système avec une difficulté adaptée à leur expertise, puis le système devrait pouvoir s'adapter soigneusement à l'amélioration des aptitudes motrices, et enfin permettre des interactions complexes et expressives. L'objectif à long terme est de favoriser l'innovation en interaction multimodale pour des technologies d'assistance et pour l'interaction avec les médias dans les applications créatives.

Missions et Objectifs
==========================================

L'utilisation de systèmes de feedback multisensoriel pour aider à l'apprentissage du mouvement est prometteuse dans un certain nombre d'applications telles que le sport, les arts du spectacle ou la rééducation [1, 2]. Ces systèmes d'aide à l'apprentissage moteur nécessitent une modélisation fine des mouvements afin de fournir un retour d'information audio, visuel ou haptique approprié pour aider l'apprenant à acquérir ou à récupérer des compétences motrices particulières. Dans ce contexte, il est nécessaire de disposer de modèles informatiques avancés capables de prendre en compte les mécanismes d'apprentissage sensorimoteur [3]. En complément des modèles analytiques de l'apprentissage du mouvement, le développement de stratégies basées sur les données et utilisant l'apprentissage automatique est un objectif central du projet ELEMENT [4]. De tels modèles ont le potentiel de s'adapter dynamiquement au niveau de compétence de l'apprenant (par rapport à une tâche donnée) afin de fournir un retour d'information approprié.

Ce projet post-doctoral se focalise sur la conception, la mise en œuvre et l'évaluation de systèmes de retour d'information multisensoriels adaptatifs pour aider à l'apprentissage du mouvement dans le contexte de la pratique de la danse. En particulier, nous étudierons comment un feedback non visuel (feedback auditif et/ou haptique) peut être utilisé pour soutenir l'apprentissage de séquences de mouvements complexes que l'on peut trouver en danse. Par séquences de mouvements complexes, nous considérons les séquences de plusieurs unités de mouvement (ou gestes) qui doivent être exécutées avec des propriétés spécifiques (par exemple, trajectoire, dynamique, qualité du mouvement) et articulées ensemble. La modélisation de telles séquences nécessite le développement de techniques d'analyse appropriées qui peuvent capturer diverses propriétés du mouvement, telles que les trajectoires, la dynamique, ou même les qualités du mouvement [5, 6], ainsi que leur relation avec l'apprentissage du mouvement. Des méthodes telles que l'analyse des micro-mouvements [7] pourraient être utilisées pour suivre l'évolution de ces caractéristiques de mouvement dans le temps, en fonction de la performance. De plus, l'articulation entre les différents segments d'une séquence de mouvement complexe évolue avec l'expertise de la personne. Suite aux travaux préliminaires du projet ELEMENT, nous étudierons comment modéliser l'articulation dans ces séquences de mouvements complexes [8, 9], et comment concevoir un retour d'information approprié sur l'articulation des mouvements.

Le principal contexte d'application de ce projet postdoctoral est l'apprentissage de la danse, avec un accent sur les modalités non visuelles. Les applications à l'apprentissage du mouvement pour les personnes souffrant de déficience visuelle seront considérées, en fonction des compétences du candidat et des collaborations potentielles avec des organisations locales.

Les principales questions de recherche du projet postdoctoral proposé sont les suivantes :
- Comment les gens apprennent-ils des séquences complexes de mouvements de danse, en particulier pour les personnes malvoyantes ?
- Quelles représentations du mouvement peuvent être combinées pour modéliser les multiples propriétés du mouvement (trajectoires, dynamique, expressivité, articulation, etc.) dans une séquence complexe ?
- Quels modèles computationnels peuvent quantifier et suivre ces propriétés en fonction du processus d'apprentissage d'une personne ?
- Comment concevoir un feedback multisensoriel continu afin de favoriser l'apprentissage de ces diverses propriétés dans une séquence de mouvement complexe ?
- Les systèmes de rétroaction adaptative peuvent-ils améliorer la courbe d'apprentissage et l'expérience d'apprentissage ?

Activités

- Réaliser un état de l'art sur les méthodes adaptatives dans la modélisation du mouvement, les systèmes adaptatifs pour l'apprentissage du mouvement et de la danse, et sur le feedback auditif pour l'apprentissage du mouvement.
- Concevoir et réaliser des études qualitatives (entretiens, workshops d'observation) pour analyser les pratiques existantes en matière d'apprentissage de la danse, en particulier pour le cas des personnes ayant une déficience visuelle.
- En utilisant une approche participative, concevoir et mettre en œuvre un ou plusieurs systèmes interactifs fournissant un retour audio continu pour l'apprentissage du mouvement. Le processus de conception sera itératif et comprendra des workshops d'évaluation intermédiaire ainsi que des sessions de capture de mouvements pour constituer des bases de données d'apprentissage du mouvement. Les connaissances sur l'acquisition des compétences en matière de mouvement, issues des observations initiales, seront utilisées pour guider la conception des stratégies de sonification. La conception sera axée sur l'intégration de mécanismes d'adaptation pour adapter dynamiquement le retour d'information sonore à l'expertise et au processus d'apprentissage de la personne.
- Concevoir et mener une expérience contrôlée pour évaluer le système proposé. L'étude devra évaluer l'efficacité du système de rétroaction pour aider à acquérir les différentes propriétés de la séquence de mouvements, en particulier en ce qui concerne l'adaptabilité du système au niveau de compétence du participant.
- Publications et diffusion.

Compétences

Nous recherchons des candidat·e·s passionné·e·s, doté·e·s de qualités de créativité et de curiosité scientifique, de fortes capacités de résolution de problèmes, de bonnes connaissances en traitement du signal, en apprentissage machine et en IHM, ainsi qu'en méthodologies expérimentales et en analyse statistique. Les candidat·e·s doivent avoir une solide expérience dans le domaine de l'informatique appliquée au mouvement (movement & computing), notamment en ce qui concerne l'analyse et le traitement du signale de mouvement, ainsi que la conception et l'évaluation de systèmes interactifs basés sur le mouvement. Une expérience dans des contextes d'application créatifs tels que la danse ou les arts du spectacle, et un intérêt pour le travail sur l'interaction pour le handicap sont appréciés. Les candidat·e·s doivent faire preuve d'une expérience de publications de recherche dans le domaine du mouvement et de l'informatique (MOCO, CHI, DIS, TOCHI, JMUI, ...) et d'autres conférences et revues liées au mouvement.

Les candidat·e·s doivent être titulaires d'un doctorat en informatique ou dans un domaine connexe au moment de leur nomination. Les candidat·e·s doivent maîtriser au moins un langage de programmation (de préférence Python, JavaScript), et/ou un environnement interactif tel que Max/MSP. Ils doivent avoir de bonnes capacités de rédaction scientifique en anglais et/ou en français.

Contexte de travail

Le postdoctorat aura lieu à plein temps au LIMSI dans le cadre du projet ANR ELEMENT. Le projet ELEMENT est coordonné par l'Ircam (Paris), et implique également le LRI (Orsay) et le LIMSI (Orsay). Il est prévu que la personne interagisse fortement avec les autres doctorants et post-doctorants du projet, et qu'elle travaille en collaboration avec tous les partenaires. Des déplacements dans le cadre d'expérimentations ou de conférences pourront être financés au cours du postdoctorat.

La personne sera dotée d'un ordinateur portable et d'accessoires. Le LIMSI a acquis plusieurs capteurs de mouvement portables (IMU, capteurs EMG), et possède un système de capture de mouvements du corps entier qui peut être utilisé pour la collecte de données, le prototypage, et pour l'évaluation des modèles de calcul développés. Des équipements supplémentaires peuvent être acquis au cours du projet.

Contraintes et risques

- risques : travail sur écran

On en parle sur Twitter !